Core Concepts
動的グラフの表現学習において、最小限かつ十分な予測的コンセンサス表現を学習することが重要である。
Abstract
本論文は、動的グラフの堅牢な表現学習のための新しい「動的グラフ情報ボトルネック(DGIB)」フレームワークを提案している。
まず、動的グラフの最適な表現は最小限かつ十分で、かつ予測的コンセンサスを満たすべきであるという「最小限-十分-コンセンサス(MSC)条件」を提案する。
次に、DGIB原理を導出する。DGIB𝑀𝑆チャンネルは最小限かつ十分な表現を学習し、DGIB𝐶チャンネルは予測的コンセンサスを保証する。両チャンネルが協力して、提案したMSC条件を満たすように最適化される。
さらに、DGIB𝑀𝑆と DGIB𝐶の変分上下界を導入することで、動的グラフ上での情報ボトルネック目的関数の最適化を実現する。
実験では、実世界および合成の動的グラフデータセットにおいて、提案手法DGIB が既存手法に比べて、リンク予測タスクに対する攻撃に対するロバスト性が優れていることを示している。
Stats
動的グラフデータセットCOLLABでは、構造攻撃下でのAUCスコアが77.29%、特徴量攻撃(𝜆=1.5)下では49.77%となった。
Yelp データセットでは、構造攻撃下でのAUCスコアが69.35%、特徴量攻撃(𝜆=1.5)下では46.21%となった。
ACTデータセットでは、構造攻撃下でのAUCスコアが77.55%、特徴量攻撃(𝜆=1.5)下では59.05%となった。